人工智能應用于肺癌領域的文獻可視化分析

劉桑雪 何慧敏

摘? 要：對肺癌的分析診斷是人工智能應用的重點領域，檢索Web of Science數據庫2012年—2021年國內外人工智能在肺癌領域應用的相關研究文獻，通過文獻計量軟件CiteSpace對國內外人工智能在肺癌領域應用的研究現狀、熱點以及前沿趨勢進行可視化分析，為人工智能在癌癥疾病領域的進一步研究提供參考，推動中國人工智能技術與腫瘤領域的交叉研究。

關鍵詞：人工智能；肺癌；可視化分析；文獻計量

中圖分類號：TP391；R730.2 文獻標識碼：A 文章編號：2096-4706（2023）03-0110-04

Literature Visual Analysis of Artificial Intelligence Applied in the Field of Lung Cancer

LIU Sangxue， HE Huimin

（Guangxi Medical University， Nanning? 530021， China）

Abstract： The analysis and diagnosis of lung cancer is the key field for the application of artificial intelligence. Search the relevant research literature of the application of artificial intelligence in lung cancer field at home and abroad from 2012 to 2021 in the Web of Science database， and visually analyze the research status， hotspots and frontier trends of the application of artificial intelligence in lung cancer field at home and abroad through the bibliometric software CiteSpace， to provide reference for further research of artificial intelligence in the field of cancer disease， promote the cross research of artificial intelligence technology and tumor field in China.

Keywords： artificial intelligence; lung cancer; visual analysis; bibliometrics

0? 引? 言

人工智能利用計算機模型和算法模擬人類大腦，擁有強大的特征學習能力，能夠整合海量數據信息，以提高人們分析、處理信息的效率。隨著人工智能技術的成熟，其在醫學領域應用逐漸加深，人工智能技術為癌癥的風險評估、臨床診斷、精準治療、生存預測等方面提供快速、有效的方法手段，可以在某種程度上降低癌癥發生率和死亡率[1]。肺癌的發病率很高，是世界范圍內致人死亡的主要疾病，準確診斷對肺癌患者的治療至關重要。本文通過檢索近十年的相關文獻，通過知識圖譜分析國際人工智能在肺癌領域的應用現狀和發展前沿，為中國的人工智能技術在癌癥領域的研究和應用提供參考。

1? 資料來源與統計方法

1.1? 資料來源

在Web of Science數據庫中以Artificial Intelligence、AI、Deep Learning、Machine Learning、Lung Tumors、Lung Cancer等主題詞組成檢索式檢索2012年01月01日—2021年12月31日公開發表的關于人工智能在肺癌領域中應用的相關文獻，文獻類型選擇“article”，語種選擇“English”，通過去除重復性文獻和非學術性文獻，共納入1 940篇文獻進行計量分析。

1.2? 統計方法

應用CiteSpace 5.8.R3進行統計分析，將時間跨度設為2012年—2021年，以每一年作為一個時間切片，選擇相應的節點類型分別將總體發文量、國家和機構發文合作、作者發文合作、研究熱點和前沿趨勢等方面的統計結果可視化展示。共現網絡圖譜節點的大小表示該節點發文量的多少，節點之間的線條粗細表示合作強度，節點年輪外圈的顏色深淺代表中心度大小，指示該節點在聯系整個網絡中發揮的作用大小[2]。國際研究熱點基于高頻詞和高中心性關鍵詞來分析，研究前沿通過詞頻變化率較高的突現詞來反映。

2? 結果與分析

2.1? 總體趨勢分析

國際年度發文量反映該領域知識量增長的情況。根據檢索結果，2012年—2021年發表相關文獻共1 940篇，呈現逐年增長的趨勢。2012—2017年處于該研究領域發展的起步階段，發展平緩；2018—2021年處于快速發展階段。2012年國際發文僅21篇，2021年發文量高達730篇。

2.2? 國家與研究機構發文分析

研究結果顯示，一共有17個國家發表關于人工智能在腫瘤領域的研究超過30篇，中國和美國的發文量遠遠高于其他國家，發文量分別達691篇和636篇。韓國發文126篇，位列第3；印度116篇，位列第4；荷蘭發文101篇，位列第5。

通過對研究機構的分析，發文量居于首位的是中國科學院，共52篇；排第2的機構有3家，分別是上海交通大學、復旦大學和哈佛醫學院，發文量43篇；斯隆-凱特森癌癥研究中心發文量位列第3，發文37篇。發文量前10的研究機構中包括了6家中國研究機構。

2.3? 國際合作分析

根據國家合作網絡圖譜，國際合作中心度排名前5位的國家分別為英國（0.17）、西班牙（0.14）、德國（0.13）、美國（0.11）、中國（0.10）。英國的中心度最高，表示與其他國家之間的合作關系最緊密最重要。

機構合作中心度排名前5位的機構分別為馬斯特里赫特大學（0.22）、上海交通大學（0.21）、拉德堡德大學（0.21）、丹娜法伯癌癥研究院（0.19）、德克薩斯大學安德森癌癥中心（0.19）。研究機構合作網絡圖譜如圖1所示。

2.4? 作者發文合作分析

通過作者合作網絡圖譜尋找對人工智能應用于肺癌研究領域有重大貢獻和影響力的核心作者群，如圖2所示。最高產作者是來自美國的Robert Gillies，其合作中心度和文獻被引頻次也較高。發文量排名前10的作者共有11位，其中中國作者僅有2位，分別是Wei Qian、Ming Li。

2.5? 共被引文獻分析

根據共被引文獻分析統計，共有22篇文獻被引次數超過50次，其中最高被引量達157次，表1列出了被引量排名前10位的關鍵經典文獻。高被引文獻內容主要集中在利用深度學習方法進行醫學圖像分析的研究。

2.6? 研究熱點

關鍵詞共現圖譜結果顯示，人工智能應用于肺癌領域的內容主要有分類、診斷、生存分析等，運用人工智能的方法手段主要為深度學習、機器學習、卷積神經網絡等。高頻關鍵詞和高中心性關鍵詞如表2所示。

2.7? 研究前沿

突現詞是短時間內詞頻變化率較高的關鍵詞，更適合探測學科發展的新興趨勢和突然變化[3]。顯示持續至今的突現詞有紋理特征、圖像分類、標志物和斷層攝影術，根據強度排序得到近十年人工智能在肺癌領域Top15的突現詞，如圖3所示。

3? 趨勢與難題

3.1? 人工智能在肺癌中的應用仍是當前醫療領域的研究趨勢

自2012年起，國際間針對人工智能在肺癌領域的研究呈現持續增長的趨勢。統計發現，肺癌為排名第1的高頻關鍵詞，說明人工智能在癌癥領域的研究中，肺癌是應用較為廣泛和典型的疾病，且通過2021年相關文獻量達到730篇可知，人工智能在肺癌領域應用的熱潮日益高漲。

從國家發文量和中心度來看，美國和中國均排在前5位，說明這兩個國家針對人工智能在肺癌領域的研究與合作處于世界前列；但由于中國人口基數大，且發表文獻篇均被引次數為15.48次/篇，低于美國的32.86次/篇，而世界發表文獻的篇均被引次數為22.43次/篇，說明中國的人均發文量和發文影響力均比不上美國，而美國文獻影響力處于世界先進水平。荷蘭的發文量和國家合作中心度都位居世界前5，且文獻篇均被引高達109.36次/篇，遠遠超出世界水平，表明荷蘭在該領域中具有較突出的貢獻和較強的代表性。當前，AI在醫學領域應用呈現爆發式增長的態勢，人工智能理論與實踐均達到了一定高度。各國爭相出臺有關政策和方案，以期為人工智能技術的發展和創新保駕護航。與中國相比，美國人工智能戰略更加強調跨學科交叉和對人工智能產業的投入[4]。人工智能是新興產業的核心，中國應立足于國務院《新一代人工智能發展規劃》的要求[5]，提高投入產出比，加強國際與國內研究機構和企業的交流，助力人工智能在醫療產業的發展，輸出有較高影響力的成果。

從作者發文分析得出，居于前10的中國作者僅有2位，說明中國對人工智能在肺癌領域的研究有突出貢獻的研究者較少，醫療人工智能涉及多專業融合，提示中國應建立規范化的復合型人才培養體系，積極引進高端人才、留住人才，保證人工智能在醫學領域的可持續發展[6]。

3.2? 人工智能在肺癌領域的研究涉及多方面應用

通過關鍵詞共現分析得出，研究熱點主要集中在兩個方面：（1）利用AI技術對肺癌預測、分類和生存分析。其一，研究者重點關注分析醫學影像特征實現肺癌的預測和分類。肺結節是肺癌早期的臨床表現，計算機斷層攝影（CT）是早期結節良惡性鑒別的有效手段，由于海量數據和人工閱片耗時長伴隨著漏診誤診等問題，人工智能輔助實現肺結節的篩查診斷是現階段精準醫療的研究熱點。其二，AI技術聯合生物標志物的應用[7]。利用機器學習方法研究生物標志物對肺癌的診斷、治療選擇和預后預測是該領域的重點方向。（2）對人工智能的方法學研究，主要的方法學有機器學習、深度學習等，通過分類器、支持向量機、隨機森林和微陣列等算法結合大數據構建模型來預測分類肺癌，以及研究如何進一步優化模型或提高算法對癌癥預測的靈敏度。

突現詞反映了人工智能在肺癌應用研究中的前沿趨勢。根據統計結果發現，人工智能對肺癌的影像分析既是研究熱點，也是前沿?；虮磉_、蛋白質研究、治療、人工智能的方法學手段等也是前沿的體現。由于分析工具數量和數據集的增多，醫學圖像分析領域呈指數級增長。圖像識別技術不僅用于肺癌的診斷篩查，且用于放射治療過程中腫瘤靶區和危機器官的自動勾畫以及對放療不良反應的預測等[8]。目前應用較廣泛的圖像識別技術可以通過高通量計算從CT、PET等醫學影像中快速提取定量特征，分析特征與治療結果或基因表達的關系，挖掘圖像中潛在的信息，這一過程也被稱為放射組學[9]。紋理特征分析是目前的一個研究前沿，它在腫瘤診斷中被要求具有更高的計算標準[10]?；谌斯ぶ悄芗夹g，癌細胞的蛋白質研究可以預測腫瘤發生、生長、轉移、治療等過程，蛋白質研究與基因表達息息相關，微陣列基因表達數據可用于癌癥類型預測[11]，微陣列技術為分析基因表達數據提供了方法。

近年來，研究者們更多的關注人工智能在肺癌應用領域的方法學研究，人工智能技術的創新和發展為肺癌研究應用創造了新可能。機器學習是人工智能的核心，高度準確和可靠的機器學習方法在整合和分析龐大而復雜的數據集方面發揮著關鍵作用。深度學習是機器學習的一大分支，2015年Lecun Y表示深度學習允許計算模型來學習具有多個抽象級別的數據表示，深度卷積網絡在處理圖像等方面帶來了突破進展[12]，成為受歡迎的特征提取器，已被證明在自然圖像分類方面明顯優于經典的機器學習方法。圖像分類的深度卷積神經網絡結構越來越多樣，VGG系列網絡、ResNet和U-Net等網絡的誕生驗證了圖像分類分割的性能在逐步提高。研究者們為癌癥的預測和診斷不斷提出新的方法和網絡訓練策略以提高模型的準確性，并優化改進模型可能出現的過擬合、研究可重復性和操作性等技術問題，這些是未來人工智能在肺癌或其他癌癥應用中方法學研究突破的關鍵。

3.3? 人工智能在醫學應用領域面臨的難題

隨著個性化決策和精準醫療的普及，人工智能在肺癌領域的應用正在一步步深化。然而在日常臨床實踐中建立可靠的癌癥結果預測模型仍是一個挑戰。例如圖像識別、藥物效果預測等都需要大規模數據來訓練模型，過程中消耗大量計算資源，對硬件要求較高；對于醫學影像數據，前期的獲取和手工標注對于研究機構來說比較困難。醫療人工智能涉及法律法規和倫理道德，特別是AI技術挖掘分析醫療大數據時，可能會造成個人隱私信息的泄露，而相比其他國家，中國對個人隱私安全保護的法制體系尚不完善，因此需要不斷豐富體系內涵來適應人工智能的更新迭代?！度斯ぶ悄馨灼?022年）》[13]中表明安全可信的人工智能要朝著一體化的方向發展，加速推進風險防控體系。因此勢必要完善法律法規，推進國家監管體系建設，加強人工智能在醫療應用中的技術保護，明確人工智能與醫療使用人員之間的責任，以實現精準醫療與人工智能戰略目標。

4? 結? 論

綜上所述，目前人工智能在肺癌領域的研究已成為國際研究熱點。在我國，應充分吸收國外的前沿熱點，加強國際及研究機構間的交流合作，并在中國腫瘤防治的基礎上，推動中國人工智能技術與腫瘤領域的交叉研究。

參考文獻：

[1] 楊文靜，呂章艷，馮小雙，等.人工智能在癌癥研究領域的文獻可視化分析 [J].腫瘤防治研究，2021，48（2）：133-139.

[2] 陳悅，陳超美，劉則淵，等.CiteSpace知識圖譜的方法論功能 [J].科學學研究，2015，33（2）：242-253.

[3] 楊文靜，杜然然，呂章艷，等.人工智能在疾病預測研究中可視化分析 [J].中國公共衛生，2021，37（5）：871-874.

[4] 王迎春，李輝，楊丞磊，等.美國人工智能研發戰略計劃2019更新版重點及啟示 [J].科技導報，2020，38（11）：26-30.

[5] 國務院.國務院關于印發新一代人工智能發展規劃的通知 ［R/OL］.（2017-07-20）[2022-07-19].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[6] 董星宇，陳敏.醫療人工智能發展存在的問題及對策 [J].醫學與社會，2019，32（5）：80-82.

[7] HAO X K，LUO H Y，KRAWCZYK M，et al. DNA methylation markers for diagnosis and prognosis of common cancers [J].Proc Natl Acad Sci U S A，2017，114（28）：7414-7419.

[8] 甘武田，應延辰，全紅，等.肺癌放射治療中人工智能的應用進展 [J].中華腫瘤防治雜志，2021，28（18）：1428-1432.

[9] GILLIES R J，KINAHAN P E，HRICAK H. Radiomics：Images Are More than Pictures，They Are Data [J].Radiology，2016，278（2）：563-577.

[10] WANG H K，ZHOU Z W，LI Y C，et al. Comparison of machine learning methods for classifying mediastinal lymph node metastasis of non-small cell lung cancer from （18）F-FDG PET/CT images [J].EJNMMI research，2017，7（1）：11.

[11] YANG Y，XU L，SUN L D，et al. Machine learning application in personalised lung cancer recurrence and survivability prediction [J].Comput Struct Biotechnol J，2022，20：1811-1820.

[12] LECUN Y，BENGIO Y，HINTON G. Deep learning [J].Nature，2015，521（7553）：436-444.

[13] 中國信息通信研究院.人工智能白皮書（2022年） ［EB/

OL].[2022-07-19].http：//scdsjzx.cn/scdsjzx/ziliaoxiazai/2022/

4/18/d03a2d33b67d4c398ddfca504cf410ab/files/43b00b8feccd423ea2e2a4014e9d672a.pdf.

作者簡介：劉桑雪（1997—），女，漢族，廣東汕尾人，碩士研究生在讀，研究方向：醫學信息管理、計算機及應用等；通訊作者：何慧敏（1973—），女，漢族，湖南岳陽人，研究生導師，博士，研究方向：教育管理、醫學信息管理、計算機及應用等。

收稿日期：2022-09-15

基金項目：2022年自治區級新工科、新醫科、新農科、新文科研究與實踐項目（02506222234C）